Estimacija poze - SC2019, FTN-AI-LAB

Članovi tima:

• SW16/2016, Milan Milovanović
• SW52/2016, Nemanja Janković
• SW69/2016, Mihailo Đokić

Issue:

ftn-ai-lab/sc-2019-siit#22

Instalacija aplikacije:

• Klonirati repozitorijum, pocizionirati se u root folder
• Pokrenuti pip install -r requirements.txt
• Instalirati PyTorch prateći instrukcije sa https://pytorch.org/get-started/locally/
• Instalirati Nvidia CUDA biblioteku sa https://developer.nvidia.com/cuda-downloads
• Instalirati Nvidia CUDNN biblioteku sa https://developer.nvidia.com/cudnn

Skidanje dataset-a:

• Sa http://human-pose.mpi-inf.mpg.de/#download skinuti slike i ekstraktovati ih u datasets/MPII/images
• Za generisanje train, validacionog i test skupa pokrenuti datasets/MPII/mpii.py

Pokretanje aplikacije:

• Pokretanje treniranja:
  • Pokrenuti train.py uz unos sledećih argumenata:
    • -model, mogući modeli su [ 'resnet', 'mobilenetv2', 'shufflenetv2' ]
    • -epochs, broj epoha treniranja
    • -save_location, lokacija snimanja modela tokom treninga
    • --input_size, veličina inputa pri treniranju, default 224
    • --batch_size, veličina minibatch-a pri treniranju, default 32
    • --lr, learning rate, default 1e-3
    • --t7, lokacija prethodno snimljenog modela za nastavak treniranja, default ""
• Pokretanje testiranja:
  • Pokrenuti test.py uz unos sledećih argumenata:
    • -model, mogući modeli su [ 'resnet', 'mobilenetv2', 'shufflenetv2' ]
    • --input_size, veličina inputa pri treniranju, default 224
    • --batch_size, veličina minibatch-a pri treniranju, default 32
    • --t7, lokacija prethodno snimljenog modela za nastavak treniranja, default ""
• Pokretanje evaluacije:
  • Pokrenuti test.py uz unos sledećih argumenata:
    • -model, mogući modeli su [ 'resnet', 'mobilenetv2', 'shufflenetv2' ]
    • -t7, lokacija prethodno snimljenog modela za nastavak treniranja
    • --input_size, veličina inputa pri treniranju, default 224
    • --batch_size, veličina minibatch-a pri treniranju, default 32
• Pokretanje estimacije:
  • Pokrenuti predict_camera.py za predikciju slike sa web kamere uz unos sledećih argumenata:
    • -model, mogući modeli su [ 'resnet', 'mobilenetv2', 'shufflenetv2' ]
    • -t7, lokacija prethodno snimljenog modela za nastavak treniranja
  • Pokrenuti predict_image.py za predikciju postojeće slike uz unos sledećih argumenata:
    • -model, mogući modeli su [ 'resnet', 'mobilenetv2', 'shufflenetv2' ]
    • -t7, lokacija prethodno snimljenog modela za nastavak treniranja